Dự báo dữ liệu theo tuần

Với dữ liệu theo tuần, rất khó xử lý tính mùa vụ bằng các mô hình ETS hoặc ARIMA vì độ dài mùa vụ quá lớn (xấp xỉ 52). Thay vào đó, bạn có thể dùng hồi quy điều hòa (harmonic regression), sử dụng các hàm sin và cos để mô hình hóa mùa vụ.

Hàm fourier() giúp bạn dễ dàng tạo ra các điều hòa cần thiết. Bậc (\(K\)) càng cao thì mẫu hình mùa vụ càng "uốn lượn". Với \(K=1\), đó là một đường sin đơn giản. Bạn có thể chọn giá trị \(K\) bằng cách tối thiểu hóa AICc. Như bạn đã thấy trong video, fourier() nhận vào chuỗi thời gian bắt buộc, số lượng hạng Fourier cần tạo, và tùy chọn số dòng cần dự báo:

> # fourier(x, K, h = NULL)

> fit <- auto.arima(cafe, xreg = fourier(cafe, K = 6),
                    seasonal = FALSE, lambda = 0)
> fit %>%
    forecast(xreg = fourier(cafe, K = 6, h = 24)) %>%
    autoplot() + ylim(1.6, 5.1)

Dữ liệu gasoline đã được nạp sẵn gồm số liệu theo tuần về sản phẩm xăng động cơ thành phẩm của Mỹ. Trong bài tập này, bạn sẽ khớp một mô hình hồi quy điều hòa cho bộ dữ liệu này và dự báo 3 năm tiếp theo.